W tym rozdziale zbudujesz podstawy do łączenia danych za pomocą pandas. Poznasz rodzaje złączeń i dowiesz się, jak pandas może zwiększyć twoją efektywność i produktywność.

Łączenie danych – konieczność w prawdziwym świecie

Potrzeba łączenia danych

Praca z podzielonymi danymi

Praca z uzupełniającymi się danymi

Konkatenacja

Łączenie wierszy

Łączenie wierszy ze zduplikowanymi indeksami

Łączenie kolumn

Moc i elastyczność

Stwierdzenie

Stwierdzenia prawdziwe

Stwierdzenia fałszywe

Zalety łączenia danych w pandas

Proste łączenie złożonych danych

Wprowadzenie do łączenia danych

W tym rozdziale nauczysz się łączyć dane za pomocą pandas w sposób podobny do używania formuł VLOOKUP w arkuszu kalkulacyjnym. Poznasz trzy rodzaje złączeń, a następnie skupisz się na pierwszym z nich – złączeniach jeden-do-jednego.

Rodzaje złączeń

Złączenia jeden do jednego

Złączenia jeden-do-wielu

Złączenia wiele-do-wielu

Złączenia jeden do jednego z bliska

Układamy kroki w odpowiedniej kolejności.

Replikowanie VLOOKUP

Łączenie na podstawie dwóch lub więcej kluczy

Łączenie wspólnych danych za pomocą inner join

Złączenia obiektowe

Podstawowe złączenia wewnętrzne

Różne nazwy kolumn

Wybór właściwej metody łączenia

Złączenia w stylu VLOOKUP

W tym rozdziale skupimy się na relacjach jeden-do-wielu. Będziesz ćwiczyć identyfikowanie relacji kolumn kluczowych oraz łączenie ramek danych po kolumnie. Nauczysz się też łączyć dwie lub więcej ramek danych na podstawie ich indeksów.

„Z wielu – jedno"

Framework, część 2: złączenia jeden-do-wielu

Identyfikowanie relacji jeden-do-wielu

Łączenie po kolumnach kluczowych

Sprawdzanie duplikatów kluczy

Scalanie danych w relacji jeden-do-wielu

Łączenie na podstawie indeksu

Łączenie wielu tabel

Podsumowanie złączeń jeden-do-wielu

W ostatnim rozdziale poznasz zaawansowane techniki łączenia danych przydatne w trudniejszych sytuacjach. Zmierzysz się z samodzielnym wyzwaniem w postaci studium przypadku, które sprawdzi twoje umiejętności.

Łączenie danych w praktyce

Mieszanie indeksów i kolumn

Sufiksy i wskaźniki

Praca z danymi czasowymi

Łączenie szeregów czasowych

Dopasowywanie do najbliższego momentu w czasie

Podsumowanie i studium przypadku

Wyzwanie – studium przypadku, część 1

Studium przypadku – część 2

Wyzwanie – studium przypadku, część 3

Zaawansowane złączenia

Players draft

Current players

New weather data

Games Plays

Games

Łączenie dwóch lub więcej zbiorów danych jest niezbędne w niemal każdej analizie opartej na rzeczywistych danych. Robiłeś to wcześniej w arkuszach kalkulacyjnych za pomocą VLOOKUP i podobnych funkcji. Czy potrafisz wykorzystać to doświadczenie podczas przejścia do świata Pythona? Tak! W tym kursie nauczysz się, jak łączyć zbiory danych za pomocą biblioteki pandas – złotego standardu Pythona do pracy z danymi tabelarycznymi. Będziesz stosować funkcje pandas do łączenia danych z National Football League (NFL) w środowisku przypominającym arkusz kalkulacyjny. Dzięki tym umiejętnościom będziesz w stanie w pełni wykorzystać możliwości pandas i włączać większe, bardziej złożone zbiory danych do swoich analiz.

Python for Spreadsheet Users

Poznaj skuteczne łączenie danych tabelarycznych za pomocą biblioteki Python Pandas.

Pandas Joins dla użytkowników arkuszy kalkulacyjnych

Naucz się skutecznie i wydajnie łączyć zbiory danych w formacie tabelarycznym za pomocą biblioteki Python Pandas.  

Możesz łączyć ramki danych według więcej niż jednej kolumny lub poziomu indeksu bez konieczności konkatenacji.

Wiele popularnych pakietów do uczenia maszynowego w Pythonie przyjmuje ramki danych pandas jako dane wejściowe.

W jednej instrukcji można połączyć tylko dwie oryginalne ramki danych.

Ramki danych mają limit 16 777 216 wierszy (2\*\*22).

Zalety łączenia danych w pandas

Pandas Joins dla użytkowników arkuszy kalkulacyjnych

Interaktywne ćwiczenie praktyczne